tf.feature_column.categorical_column_with_identity

A CategoricalColumn которая возвращает значения идентификатора.

tf.feature_column.categorical_column_with_identity(
    key, num_buckets, default_value=None
)

Используйте этот метод, когда ваши входные данные — целые числа в диапазоне [0, num_buckets), и вы хотите использовать само значение ввода в качестве категорического идентификатора. Значения вне этого диапазона приведут к default_value если указано, иначе произойдёт ошибка.

Обычно это используется для непрерывных диапазонов целочисленных индексов, но не обязательно. Однако это может быть неэффективным, если многие идентификаторы не используются. В этом случае рассмотрите categorical_column_with_hash_bucket.

Для входного словаря features, features[key] это либо Tensor или SparseTensor. Если Tensor, пропущенные значения могут быть представлены как -1 для целых чисел и '' для строк, которые будут пропущены этим столбцом признаков.

В следующих примерах каждое входное значение в диапазоне [0, 1000000) получает одинаковое значение. Все остальные входные значения получают значение default_value 0. Обратите внимание, что буквальный 0 в входных данных приведет к тому же идентификатору по умолчанию.

Линейная модель:

import tensorflow as tf
video_id = tf.feature_column.categorical_column_with_identity(
    key='video_id', num_buckets=1000000, default_value=0)
columns = [video_id]
features = {'video_id': tf.sparse.from_dense([[2, 85, 0, 0, 0],
[33,78, 2, 73, 1]])}
linear_prediction = tf.compat.v1.feature_column.linear_model(features,
columns)

Внедрение для модели DNN:

import tensorflow as tf
video_id = tf.feature_column.categorical_column_with_identity(
    key='video_id', num_buckets=1000000, default_value=0)
columns = [tf.feature_column.embedding_column(video_id, 9)]
features = {'video_id': tf.sparse.from_dense([[2, 85, 0, 0, 0],
[33,78, 2, 73, 1]])}
input_layer = tf.keras.layers.DenseFeatures(columns)
dense_tensor = input_layer(features)